10多年前,家养当美国加州理工学院天气迷信家塔佩奥·施奈德初次对于云若何组成妨碍建模时,开启需要费精血汗肠调解形貌水点、天气气流以及温度若何相互熏染的预料元方程。但2017年,新纪机械学习等家养智能(AI)技术成为他的家养“左膀右臂”。施耐德展现,开启机械学习建模速率更快,天气给出的预料元模子更使人知足,让天气建模以及善象迷信变患上更幽默。新纪
英国《做作》网站在克日的家养报道中指出,迷信家正运用种种AI技术,开启减速天气建模速率并改善其功能,天气期望后退模子精确性的预料元同时飞腾其能耗。尽管,新纪鉴于AI存在“黑匣子”,并非所有人都残缺信托基于机械学习技术的模子。
传统模子有短板
传统天气模子运用数学方程来形貌陆地、陆地以及空气之间的相互熏染若何影响天气。这些模子运行精采,给出的天气预料信息可用于教育全天下政策拟订。
但这些模子需要功能强盛的超级合计机运行数周光阴,且耗能极高。传统模子模拟一个世纪的天气,破费的能源高达10兆瓦时,约即是美国家庭平均年用电量。此外,这些模子很难模拟雨滴若何组成等小规模历程,但这些小历程在大规模天气模拟中发挥侧紧张熏染。
机械学习指合计机挨次经由发现数据会集的方式来学习。加州大学洛杉矶分校合计机迷信家阿迪亚·格罗弗指出,机械学习规模的一系列立异有望在天气建圭表尺度围“大显法术”。
模拟器既快又准
钻研职员运用AI对于天气妨碍建模目上主要有3种方式。
第一种方式需要开拓名为模拟器的机械学习模子,它可能在不断止所有数学合计的情景下,给出与传统模子相同的服从。
2023年,澳大利亚联邦迷信与工业钻研机关天气迷信家瓦西里·基齐奥斯及其共事开拓了15个机械学习模子,以模拟15个基于物理学的大气模子。他们运用物理模子磨炼QuickClim零星。这些物理模子针对于低碳排放以及高碳排放两种情景,来预料2100年的大气温度。在中等碳排放天气下,接受磨炼后的QuickClim预料2100年大气温度的服从,与基于物理学的模子颇为适宜。
一旦接受所有低、中、高3种碳排放天气磨炼,QuickClim就能快捷预料本世纪全天下气温的变更,速率比传统模子快约100万倍。
不够为奇,2023年,艾伦家养智能钻研所迷信家也为一个基于物理学的大气模子开拓出机械学习模拟器ACE。钻研团队将10组初始大气条件输入该模子中,建树了磨炼数据集。模拟器ACE预料了10种情景下未来10年气温、水蒸气大风速等16个变量的变更情景。钻研展现,经由磨炼后,ACE能在10年内,延迟6小时作出预料。此外,ACE更精确预料了90%大气变量的形态,运行速率以及能效也都提升了100倍。
施耐德指出,此类模子有望经由探究多种场景来辅助政策拟订者妨碍抉择规画,不外,它们不会取代基于物理学的模子,而是与其“协同作战”。
基底模子可扩展
运用AI的第二种方式是开拓基底模子。这些基底模子随后可能调解,以实施普遍的天气以及善象相关使命。
基底模子基于这样一种意见:数据中存在可能预料未来天气的根基方式。经由发现这些潜在的方式,基底模子有望比传统措施更好地预料天气以及善象。
2023年,格罗弗以及微软迷信家建树了基底模子ClimaX。钻研团队运用5个基于物理学天气模子的输入数据对于其妨碍了磨炼,随后对于其妨碍了微调,使着实施更多使命。
好比,该模子基于二氧化碳、二氧化硫、黑碳以及甲烷水一律输入变量预料了全天下平均地表温度、日温度规模以及降雨量。服从展现,ClimaX比帕里斯团队建树的3个天气模拟器更好地预料了与温度相关变量的形态。但在预料降雨量方面,ClimaX的展现不如3个模拟器中最佳的。
帕里斯也招供,当初他们并不能证实ClimaX的功能优于传统天气模子,也无奈证实基底模子本性上优于模拟器。
混合模子扬长避短
第三种方式试图“一石二鸟”,即将机械学习组件嵌入基于物理学的模子内,天生混合模子。在这种情景下,机械学习模子只取代传统模子中下场较差的部份,艰深为对于云若何组成、积雪以及河流行动等小规模但重大且紧张历程妨碍建模。
模拟这些小规模历程是尺度天气模子的“短板”,而混合模子的功能优于纯基于物理学的模子,同时又比残缺由AI构建的模子更值患上信托。
鉴于此,施耐德及其共事建树了地球大气层以及陆地的物理模子,其中搜罗了少数此类小规模历程的机械学习挨次。他指出,在凭证历史审核数据对于河流流量以及积雪妨碍测试时,这些混合模子展现精采。团队愿望往年尾前实现一个可能与大气以及陆地模子耦合的陆地混合模子,作为天气建模同盟(CliMA)名目的一部份。
迷信家们以为,最新的AI技术清晰提升了天气预料的精确性以及细节层面的合成能耐,开启了智能天气预料的新纪元。随着技术后退,未来的天气预料将愈加精准以及高效。
(责任编辑:探索)